論文の概要: ZAGNet: Zone-Aware Graph Aggregation Network for Patient-Level Lung Ultrasound Diagnosis

• arxiv url: http://arxiv.org/abs/2610.02263v1
• Date: Thu, 01 Oct 2026 02:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.019669
• Title: ZAGNet: Zone-Aware Graph Aggregation Network for Patient-Level Lung Ultrasound Diagnosis
• Title（参考訳）: ZAGNet:患者レベル肺超音波診断のためのゾーン対応グラフアグリゲーションネットワーク
• Abstract要約: ZAGNetは、時間的に追跡された病理所見を解剖学的ゾーン隣接によって接続されたグラフノードとして表現する。 ZAGNetは、入力形式やサイズを固定せずにグラフ構造上で計算することで、欠落したゾーンを許容する。
• 参考スコア（独自算出の注目度）: 5.9192000581122715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient-level lung ultrasound (LUS) diagnosis requires integrating findings acquired across multiple anatomical zones, yet clinical examinations frequently involve variable and incomplete scanning protocols with missing zones. Existing diagnostic AI methods primarily analyze individual frames or video loops, relying on heuristic aggregation strategies such as max or mean pooling that ignore inter-zone relationships for patient-level inference. This paper presents ZAGNet, a Zone- Aware Graph Neural Network that represents temporally tracked pathology findings as graph nodes connected by anatomical zone adjacency. A graph transformer network propagates contextual information across neighboring lung regions, while a virtual global node aggregates graph-level features to predict patientlevel consolidation and pleural effusion using only patient-level supervision. ZAGNet accommodates missing zones by computing on a graph structure without fixed input format or size. We evaluate ZAGNet on a multicenter dataset of 714 subjects (20,256 LUS video loops) with exams varying from 4 to 16 zones across anterior, posterior, and lateral thoracic regions. For consolidation diagnosis, ZAGNet achieved an AUC of 0.803 compared to 0.677 (max pooling) and 0.674 (mean pooling). For pleural effusion, AUC increased to 0.893 from 0.804 (max pooling) and 0.815 (mean pooling). These represent improvements of up to 19% and 11% for consolidation and pleural effusion respectively. The results demonstrate that graph-based inter-zone reasoning provides an effective and clinically consistent framework for automated patient-level LUS assessment.
• Abstract（参考訳）: 患者レベルの肺超音波(LUS)診断は、複数の解剖学的領域で得られた所見を統合する必要があるが、臨床検査では、欠落した領域を持つ可変および不完全なスキャンプロトコルが頻繁に含まれる。 既存の診断AI手法は主に個々のフレームやビデオループを分析し、患者レベルの推論でゾーン間の関係を無視したマックスや平均プールのようなヒューリスティックなアグリゲーション戦略に依存する。 本稿では、解剖学的ゾーン隣接によって連結されたグラフノードとして、時間的に追跡された病理所見を表すゾーン対応グラフニューラルネットワークZAGNetを提案する。 グラフトランスフォーマーネットワークは、近隣の肺領域にまたがるコンテキスト情報を伝播し、仮想グローバルノードは、グラフレベルの特徴を集約し、患者レベルの監視のみを使用して、患者レベルの統合と胸水を予測する。 ZAGNetは、入力形式やサイズを固定せずにグラフ構造上で計算することで、欠落したゾーンを許容する。 ZAGNetは714名の被験者(20,256 LUSビデオループ)を対象に,前胸部領域,後胸部領域,側胸部領域の4～16の領域で評価を行った。 統合診断では、ZAGNetは0.803のAUCを0.677 (max pooling)と0.674 (mean pooling)と比較した。 胸水は0.804 (max pooling) と0.815 (mean pooling) から0.893 (mean pooling) に増加した。 これらの結果から, それぞれ19%, 11%の改善が認められた。 その結果、グラフベースのゾーン間推論は、患者レベル自動評価のための有効かつ臨床的に一貫した枠組みを提供することが示された。

関連論文リスト

• Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology [1.1526546449734862]
  肺がんは、世界中でがん関連死亡の原因となっている。 深層学習は、計算病理学にかなりの可能性を示している。 本研究では,多段階組織分類のための2段階の深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-16T20:12:13Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Skeleton Graph-based Ultrasound-CT Non-rigid Registration [40.40844749663152]
  皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。 提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
  論文  参考訳（メタデータ） (2023-05-14T19:21:43Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network [6.177921466996229]
  本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。 急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。 結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
  論文  参考訳（メタデータ） (2020-10-16T18:25:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。